Development of a self-adaptive multi-agent system for medical image processing

Abstract

L'imagerie m edicale fournit une repr esentation visuelle des structures ou des activit es du corps humain selon di erentes modalit es anatomiques et fonctionnelles. L'une des m ethodes de traitement les plus couramment utilis ees sur ce type d'images est la segmentation. La segmentation est un processus lors duquel une image est divis ee en un ensemble de r egions d'int er^et. La complexit e de l'anatomie humaine et les artefacts d'acquisition des images m edicales complexi e grandement la segmentation de ces derni eres. Ainsi, plusieurs solutions ont et e propos ees pour automatiser la segmentation des images. Cependant, la plupart des solutions existantes utilisent des connaissances a priori et/ou n ecessitent une forte interaction avec l'utilisateur pour r ealiser correctement cette t^ache. Dans cette th ese, nous proposons plusieurs approches multi-agents pour l'automatisation de la segmentation d'images m edicales. Ces approches, utilisant un algorithme de croissance de r egions modi e, sont bas ees sur des agents autonomes et interactifs coop erant au sein de l'image a n de correctement la segmenter. Dans un premier temps, une approche a base de r egion utilise un ensemble d'agents mobiles pour explorer l'image et d etecter les r egions homog enes qui la composent. Lors du processus de d etection des r egions, chaque agent une m ethode de croissance des r egions qui introduit l'emploi de la valeur du gradient lors de l' evaluation des similarit es. Cette m ethode est ex ecut ee de mani ere coop erative par plusieurs g en erations d'agents jusqu' a ce que l'ensemble de l'image soit trait ee. Cette approche fut test ee sur un ensemble d'IRM c er ebrale avec di erent niveau de d et erioration. Les r esultats montrent que l'interaction entre la population d'agents o re une e cacit e certaine pour la segmentation des tissus c er ebraux dans des IRM saines. Par la suite, une autre approche appel ee MLISS et utilisant simultan ement les propri et es de similarit e et de discontinuit e de l'image pour la d etection des r egions est pr esent ee. Contrairement a l'approche pr ec edente, MLISS utilise deux ensembles distincts d'agents. Le premier ensemble d'agents a pour but de pr eparer la d etection des noyaux de r egions, quand le second groupe d'agents utilise une m ethode de croissance de r egion pour d etecter les r egions nales. Cette nouvelle architecture permet d'am eliorer les r esultats de segmentation de r egions compactes comme ce fut le cas lors de la segmentation des zones de mati ere blanche dans des images IRM c er ebrales. Pour nir, une nouvelle approche multi-agents, inspir ee des deux pr ec edentes et baptis ee MAMES, est propos ee pour la segmentation de r egions tumorales dans des images IRM c er ebrales 3D. MAMES a h erit e de l'architecture a deux ensembles d'agents de MLISS. De ce fait, la premi ere population d'agents permet le placement des germes de r egions et la croissance de ces derni eres, tandis que la seconde population interagit et collabore pour permettre la nalisation de la segmentation en fusionnant les r egions sur-segment ees. Les exp erimentations men ees sur des IRM c er ebrales saines et pathologiques ont fourni des r esultats prometteurs, d emontrent ainsi l'e cacit e de notre m ethode, notamment pour la segmentation des tumeurs